语言大模型 / LLM

Generative causal testing to bridge data-driven models and scientific theories in language neuroscience

生成式因果测试：弥合语言神经科学中数据驱动模型与科学理论之间的鸿沟

Richard Antonello, Chandan Singh, Shailee Jain, Aliyah Hsu, Sihang Guo, Jianfeng Gao, Bin Yu, Alexander Huth

机构 * Computer Science Department, University of Texas at Austin（德克萨斯大学计算机科学系） ； Microsoft Research（微软研究院） ； Neurosurgery Department, University of California（加州大学神经外科系） ； EECS Department, University of California（加州大学电子工程与计算机科学系） ； Statistics Department, University of California（加州大学统计学系） ； Center for Computational Biology, University of California（加州大学计算生物学中心） ； Neuroscience Department, University of California（加州大学神经科学系） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出生成式因果测试（GCT）框架，利用大语言模型生成简洁解释并通过LLM生成刺激进行验证，成功解释大脑区域的语言选择性，弥合数据驱动模型与科学理论之间的差距。

Comments Accepted to Nature Neuroscience, please cite that version

From Passive Generation to Investigation: A Proactive Scientific Peer Review Agent

从被动生成到主动调查：一种主动的科学同行评审代理

Haishuo Fang, Yue Feng, Iryna Gurevych

机构 * Ubiquitous Knowledge Processing Lab (UKP Lab), Technical University of Darmstadt（达姆施塔特工业大学通用知识处理实验室） ； National Research Center for Applied Cybersecurity ATHENE, Germany（德国国家应用网络安全研究中心 ATHENE） ； School of Computer Science, University of Birmingham（伯明翰大学计算机科学学院） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出ProReviewer，一种基于LLM的主动科学同行评审代理，将评审建模为马尔可夫决策过程，通过结构化评审日志引导主动调查，在五个质量维度上平均得分最高，优于现有方法。

The Environmental Cost of LLMs in AIED: Reporting and Practices

AIED中LLMs的环境成本：报告与实践

Sabrina C. Eimler, Lukas Erle, Daniel Flood, Aditi Haiman, Luca Häckert, André Helgert, Lachlan McGinness, Büsra Yapici

机构 * Institute of Computer Science and Institute of Positive Computing, Ruhr West University of Applied Sciences（计算机科学研究所和积极计算研究所，鲁尔-韦斯特应用科学大学） ； Centre for Computational Science and Mathematical Modelling, Coventry University（计算科学与数学建模中心，科文特里大学） ； Carnegie Mellon University（卡内基梅隆大学） ； Australian National University and CSIRO（澳大利亚国立大学和CSIRO） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 针对AIED社区缺乏LLM计算与环境成本标准化报告的问题，提出开源方法测量并报告碳排放，包括本地和云端硬件，以及未知参数的前沿LLM计算开销公式。

Mitigating hallucinations in healthcare LLMs with granular fact-checking and domain-specific adaptation

通过细粒度事实核查和领域特定适应减轻医疗保健大语言模型中的幻觉

Musarrat Zeba, Abdullah Al Mamun, Kishoar Jahan Tithee, Debopom Sutradhar, Mohaimenul Azam Khan Raiaan, Saddam Mukta, Reem E. Mohamed, Md Rafiqul Islam, Yakub Sebastian, Mukhtar Hussain, Sami Azam

机构 * Applied Artificial Intelligence and Intelligent Systems (AAIINS) Laboratory（应用人工智能与智能系统实验室） ； Department of Computer Science and Engineering（计算机科学与工程系） ； Department of Data Science and Artificial Intelligence（数据科学与人工智能系） ； Department of Software Engineering（软件工程系） ； Faculty of Science and Information Technology（科学与信息技术学院） ； Faculty of Science and Technology（科学与技术学院） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出一个独立于任何LLM的事实核查模块和领域特定的摘要模型，通过数值测试和细粒度逻辑检查减少幻觉，在MIMIC III数据集上微调并评估，取得了高精度和召回率。

Comments Published in Expert Systems with Applications

Journal ref Expert Systems with Applications, Vol. 329, 132966, 2026

A Unified Structured Query Understanding Framework for Industrial Semantic Search

面向工业语义搜索的统一结构化查询理解框架

Ping Liu, Qianqi Shen, Jianqiang Shen, Chunnan Yao, Kevin Kao, Rajat Arora, Dan Xu, Baofen Zheng, Yunxiang Ren, Benjamin Le, Ali Hooshmand, Igor Lapchuk, Juan Bottaro, Raghavan Muthuregunathan, Caleb Johnson, Liangjie Hong, Jingwei Wu, Wenjing Zhang

机构 * LinkedIn Corporation（领英公司） 纠错

专题命中 领域大模型 ：SLM(summary_cn,abstract)；language model(abstract)；small language model(abstract)；分类 cs.LG

AI总结 提出一个统一的结构化查询理解系统，将多个异构功能整合到单个小语言模型（SLM）中，并引入Query Illuminator框架用于自动标注和评估，在LinkedIn的职位搜索和人员搜索中验证了效果。

Comments Accepted by KDD-ADS 2026

Evaluating AI-based Scientific Knowledge Synthesis with Epidemiological Systematic Reviews

基于流行病学系统评价评估AI科学知识综合

Shreyansh Padarha, Ryan Othniel Kearns, Tristan Naidoo, Lingyi Yang, Łukasz Borchmann, Piotr BŁaszczyk, Christian Morgenstern, Ruth McCabe, Sangeeta Bhatia, Philip H. Torr, Jakob Foerster, Scott A. Hale, Thomas Rawson, Anne Cori, Elizaveta Semenova, Adam Mahdi

机构 * University of Oxford（牛津大学） ； Imperial College London（伦敦帝国理工学院） ； University of Nottingham（诺丁汉大学） ； Snowflake AI Research（Snowflake人工智能研究） ； Independent（独立） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出AgentSLR评估框架，包含自动化工作流和专家标注数据集，测试LLM在流行病学系统评价各阶段能力，发现无模型全面领先，结构化提取是主要瓶颈。

What's in a Name? Morphological Shortcuts by LLMs in Pharmacology

名字里有什么？LLM在药理学中的形态捷径

Kaijie Mo, Thomas Yang, Chantal Shaib, Qing Yao, William Rudman, Ramez Kouzy, Kanishka Misra, Byron C. Wallace, Junyi Jessy Li

机构 * The University of Texas at Austin（德克萨斯大学奥斯汀分校） ； Northeastern University（东北大学） ； MD Anderson Cancer Center（MD安德森癌症中心） 纠错

专题命中 领域大模型 ：LLM(title_cn,summary_cn)；分类 cs.CL

AI总结 研究LLM在药理学中依赖词缀线索进行推理的形态捷径行为，通过虚构药物名称实验和归因框架揭示其机制及安全风险。

Comments 22 pages

EvoRubric: Self-Evolving Rubric-Driven RL for Open-Ended Generation

EvoRubric: 用于开放生成的自我进化评分标准驱动强化学习

Xin Guan, Xiaomeng Hu, Shen Huang, Zhenyi Wang, Bo Zhang, Zijian Li, Pengjun Xie, Bo Liu, Jiuxin Cao

机构 * Tongyi Lab , Alibaba Group（通义实验室，阿里巴巴集团） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 提出EvoRubric，一种单策略共进化强化学习框架，通过动态交替生成响应和评分标准，并引入多层验证机制，解决开放生成任务中缺乏明确奖励的问题，在医学、写作和科学领域超越传统静态和外部LLM驱动方法。

L2Rec: Towards Dual-View Understanding of LLMs for Personalized Recommendation

L2Rec：面向个性化推荐的LLM双视图理解

Pingjun Pan, Tingting Zhou, Peiyao Lu, Tingting Fei, Hongxiang Chen, Chuanjiang Luo

机构 * Netease Cloud Music（网易云音乐） 纠错

专题命中 领域大模型 ：LLM(title_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 提出L2Rec方法，通过双视图个性化混合专家机制在参数层面统一行为与语义理解，实现端到端个性化推荐，实验证明优于现有方法。

Comments Accepted at SIGIR 2026

Curation and Extraction of Drug-Related Entities from Reddit Platform

从Reddit平台策划和提取药物相关实体

Zewei Wang, Zihan Xu, Yishu Wei, Michael Chary, Yifan Peng

机构 * Population Health Sciences, Weill Cornell Medicine, New York City, USA（威立·科恩医学中心人口健康科学系，纽约市，美国） ； School of Computing and Information Systems, University of Melbourne, Melbourne, Australia（墨尔本大学计算机与信息系统学院，墨尔本，澳大利亚） ； Emergency Medicine, Weill Cornell Medicine, New York City, USA（急诊医学，威立·科恩医学中心，纽约市，美国） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 为解决医生对非法药物真实使用情况了解有限的问题，本文构建了ReDose数据集（6435条Reddit帖子），并采用BERT、LLM和RAG模型进行药物、剂量和效果实体提取，其中BiomedBERT在药物实体上F1达0.843，Llama-3 70B优于GPT-4，但效果提取仍具挑战。

Comments Accepted by IEEE International Conference on Healthcare Informatics (ICHI 2026)

Architecting Agentic Communities using Design Patterns

使用设计模式构建智能体社区

Zoran Milosevic, Fethi Rabhi

机构 * School of Computer Science and Engineering, University of New South Wales, Sydney, Australia（新南威尔士大学计算机科学与工程学院，悉尼，澳大利亚） ； Deontik, Australia（澳大利亚德诺提克） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出基于企业分布式系统设计模式的三层分类架构（LLM智能体、智能体AI、智能体社区），并通过临床试验匹配案例验证其形式化框架，为多智能体生态系统的工程化部署提供实践指导与形式化验证能力。

Comments supplementary material accompanying this paper is also attached .. its title is "Complete Agentic AI Design Patterns Catalogue"; Fixed encoding artefacts (garbled em dashes) throughout

NSR-Boost: A Neuro-Symbolic Residual Boosting Framework for Industrial Legacy Models

NSR-Boost：一种面向工业遗留模型的神经符号残差提升框架

Ziming Dai, Dabiao Ma, Jinle Tong, Mengyuan Han, Jian Yang, Hongtao Liu, Haojun Fei, Qing Yang

机构 * Tianjin University（天津大学） ； Qfin Holdings, Inc.（Qfin控股公司） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 针对工业遗留模型升级成本高、风险大的问题，提出非侵入式神经符号残差提升框架NSR-Boost，通过残差定位、LLM生成符号专家和轻量聚合器动态集成，显著提升性能并降低坏账率。

Comments Accepted by KDD 2026

What Are LLMs Doing to Scientific Communication? Measuring Changes in Writing Practices and Reading Experience

大型语言模型如何影响科学交流？测量写作实践和阅读体验的变化

Filip Miletić, Neele Falk

机构 * Institute for Natural Language Processing, University of Stuttgart, Germany（斯图加特大学自然语言处理研究所，德国） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本研究探讨了大型语言模型对科学交流风格的影响，通过分析自然语言处理领域中超过37000篇论文和3000篇人类撰写的文本及其LLM改进版本，发现写作实践和阅读体验发生了显著变化，同时揭示了AI辅助写作对阅读体验的主观影响。

Comments Accepted to LREC 2026

Foundation models on the bridge: Semantic hazard detection and safety maneuvers for maritime autonomy with vision-language models

桥梁上的基础模型：基于视觉-语言模型的语义危险检测与安全操作用于海上自主性

Kim Alexander Christensen, Andreas Gudahl Tufte, Alexey Gusev, Rohan Sinha, Milan Ganai, Ole Andreas Alsos, Marco Pavone, Martin Steinert

机构 * Dept. of Mechanical and Industrial Engineering, NTNU（机械与工业工程系，挪威科技大学） ； Dept. of Aeronautics and Astronautics, Stanford University（航空航天工程系，斯坦福大学） ； Dept. of Computer Science, Stanford University（计算机科学系，斯坦福大学） ； NVIDIA Research（NVIDIA研究） 纠错

专题命中 领域大模型 ：language model(title,abstract)；foundation model(title)；分类 cs.AI

AI总结 本文提出了一种基于视觉-语言模型的语义危险检测与安全操作方法，用于满足IMO草案MASS代码对海上自主船舶的要求，通过快速-慢速异常管道和短时间范围的人类可覆盖回退操作来实现，在40个港口场景中验证了该方法的性能。

Comments 17 pages without bibliography or appendix. The main paper has 16 figures. Paper webpage can be found at https://kimachristensen.github.io/bridge_policy/

Journal ref Ocean Engineering 359, Part 3 (2026), Article 124646

Contexting as Recommendation: Evolutionary Collaborative Filtering for Context Engineering

上下文作为推荐：面向上下文工程的进化式协同过滤

Jiachen Zhu, Zhuoying Ou, Congmin Zheng, Yuxiang Chen, Zeyu Zheng, Rong Shan, Lingyu Yang, Lionel Z. Wang, Weiwen Liu, Yong Yu, Weinan Zhang, Jianghao Lin

机构 * Shanghai Jiao Tong Univ.（上海交通大学） ； Univ. College London（伦敦大学学院） ； Carnegie Mellon Univ.（卡内基梅隆大学） ； Hong Kong Polytechnic Univ.（香港理工大学） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文提出将上下文工程视为推荐问题，通过Neural Collaborative Context Engineering框架，实现动态实例级路由，提升LLM上下文工程的个性化性能。

Domain Restriction via Multi SAE Layer Transitions

通过多SAE层转换实现领域限制

Elias Shaheen, Avi Mendelson

机构 * Technion -- Israel Institute of Technology, Haifa, Israel（技术ion理工学院，海法，以色列） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文通过分析LLM内部动态，提出利用稀疏自编码器（SAE）层转换提取领域特征的方法，验证了其在区分out-of-domain文本中的有效性。

Why Users Go There: World Knowledge-Augmented Generative Next POI Recommendation

为何用户前往那里：世界知识增强的生成性下一个兴趣点推荐

Qiuyu Ding, Heng-Da Xu, Wei Zhang, Dongyi Lv, Changda Xia, Feng Xiong, Mu Xu

机构 * Amap, Alibaba Group（阿里巴巴集团阿地图） ； Xi’an Jiaotong University（西安交通大学） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出AWARE模型，通过LLM代理生成时空感知的上下文叙述，结合用户行为增强世界知识，提升POI推荐效果，实验证明其优于基线模型。

Automated Clinical Report Generation for Remote Cognitive Remediation: Comparing Knowledge-Engineered Templates and LLMs in Low-Resource Settings

远程认知康复中自动化临床报告生成：在低资源环境下比较知识工程模板与LLM

Yongxin Zhou, Fabien Ringeval, François Portet

机构 * Univ. Grenoble Alpes, CNRS, Grenoble INP, LIG（格勒诺布尔阿尔卑斯大学、国家科学研究中心、格勒诺布尔INP、LIG实验室） 纠错

专题命中 领域大模型 ：LLM(title_cn,summary_cn)；分类 cs.CL

AI总结 本文比较了在低资源环境下使用知识工程模板和LLM生成远程认知康复的自动化临床报告，探讨了临床可靠性与语言质量的权衡。

Towards Agentic Runtime Healing

面向代理的运行时自愈

Zhensu Sun, Haotian Zhu, Bowen Xu, Xiaoning Du, Li Li, David Lo

机构 * Singapore Management University（新加坡国立大学） ； North Carolina State University（北卡罗来纳州立大学） ； Monash University（墨尔本大学） ； Beihang University（北航） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出利用大语言模型实现动态生成错误处理策略，通过Healer框架在四个代码数据集上验证了其在运行时错误恢复中的有效性，展示了LLM在自愈系统中的潜力。

Comments Accepted by CACM

ImproBR: Bug Report Improver Using LLMs

ImproBR：利用LLM的bug报告改进器

Emre Furkan Akyol, Mehmet Dedeler, Eray Tüzün

机构 * Bilkent University（比尔肯特大学） 纠错

专题命中 领域大模型 ：LLM(title_cn,summary_cn)；分类 cs.AI

AI总结 ImproBR通过结合DistilBERT、启发式分析和LLM分析，提升bug报告的结构完整性、可执行性及可复现性，显著提高质量。

QuarkMedSearch: A Long-Horizon Deep Search Agent for Exploring Medical Intelligence

QuarkMedSearch: 一种长Horizon深度搜索代理用于探索医学智能

Zhichao Lin, Zhichao Liang, Gaoqiang Liu, Meng Xu, Baoyu Xiang, Shuxin Zhao, Yao Wu, Jian Xu, Guanjun Jiang

机构 * Qwen Applications Business Group, Alibaba（阿里巴巴文库应用事业部） 纠错

专题命中 领域大模型 ：SFT(summary_cn,abstract)；foundation model(abstract)；post-training(abstract)；分类 cs.AI

AI总结 本文提出QuarkMedSearch，通过构建医疗多跳数据、训练策略和评估基准，提升垂直领域性能。采用两阶段SFT和RL训练策略，结合大规模医疗知识图谱和实时探索生成长Horizon训练数据，实验显示其在开源模型中表现优异。

Deep reflective reasoning in interdependence constrained structured data extraction from clinical notes for digital health

在临床笔记中进行深度反思推理以提取受相互依赖约束的结构化数据用于数字健康

Jingwei Huang, Kuroush Nezafati, Zhikai Chi, Ruichen Rong, Colin Treager, Tingyi Wanyan, Yueshuang Xu, Xiaowei Zhan, Patrick Leavey, Guanghua Xiao, Wenqi Shi, Yang Xie

机构 * Quantitative Biomedical Research Center, Department of Health Data Science and Biostatistics, Peter O'Donnell School of Public Health, University of Texas Southwestern Medical Center（定量生物医学研究中心，健康数据科学与生物统计学系，彼得·奥·多尼尔公共卫生学院，德克萨斯西南医学中心） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.AI

AI总结 本文提出深度反思推理方法，通过迭代自我批评和修订，提升LLM在临床笔记中提取结构化数据的可靠性，尤其在肿瘤学应用中显著提高了各类变量的准确率和F1分数。

Comments 12 figures and 2 tables

OmniCompliance-100K: A Multi-Domain, Rule-Grounded, Real-World Safety Compliance Dataset

OmniCompliance-100K：一个多领域、基于规则、现实世界安全合规数据集

Wenbin Hu, Huihao Jing, Haochen Shi, Changxuan Fan, Haoran Li, Yangqiu Song

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 领域大模型 ：LLM(summary_cn,abstract)；large language model(abstract)；language model(abstract)；分类 cs.CL

AI总结 本文构建了一个涵盖74项法规的多领域安全合规数据集，包含12,985条规则和106,009个现实案例，通过基准测试评估了不同规模LLM的安全合规能力。

Comments Accepted to ACL 2026 Findings

Dual-Enhancement Product Bundling: Bridging Interactive Graph and Large Language Model

双增强产品捆绑：连接交互图与大语言模型

Zhe Huang, Peng Wang, Yan Zheng, Sen Song, Longjun Cai

机构 * BUPT（北京邮电大学） ； Beijing Wispirit Technology（北京智慧精神科技） ； THU（清华大学） 纠错

专题命中 领域大模型 ：large language model(title)；language model(title)；LLM(abstract)；分类 cs.CL

AI总结 本文提出双增强方法，结合交互图学习与大语言模型语义理解，提升产品捆绑推荐效果，实验显示在三个基准测试中性能提升6.3%-26.5%。

Towards Reliable Medical LLMs: Benchmarking and Enhancing Confidence Estimation of Large Language Models in Medical Consultation

迈向可靠的医疗大语言模型：在真实医疗咨询中评估和增强大语言模型信心估计的基准测试

Zhiyao Ren, Yibing Zhan, Siyuan Liang, Guozheng Ma, Baosheng Yu, Dacheng Tao

机构 * Nanyang Technological University（南洋理工大学） ； Wuhan University（武汉大学） 纠错

专题命中 领域大模型 ：language model(title,abstract)；large language model(title)；分类 cs.CL

AI总结 本文提出MedConf框架，通过证据引导的语言自评估方法，在医疗咨询中提升大语言模型的信心估计精度与可靠性。

Calibrated Trust in Dealing with LLM Hallucinations: A Qualitative Study

校准信任以应对大语言模型幻觉：一项定性研究

Adrian Ryser, Florian Allwein, Tim Schlippe

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract,journal_ref)；language model(abstract,journal_ref)；分类 cs.AI

AI总结 本文通过定性研究发现，用户对LLM的信任校准受情境、感知风险和直觉等多因素影响，并提出信任校准模型的扩展及实用建议。

Journal ref The 3rd International Conference on Foundation and Large Language Models (FLLM2025), Vienna, Austria, 25-28 November 2025

Scaling Equitable Reflection Assessment in Education via Large Language Models and Role-Based Feedback Agents

通过大型语言模型和基于角色的反馈代理实现教育中的公平性评估扩展

Chenyu Zhang, Xiaohang Luo

专题命中 领域大模型 ：large language model(title)；language model(title)；LLM(abstract)；分类 cs.AI

AI总结 本文提出利用多代理LLM系统实现公平、高质量的形成性反馈，通过角色化代理生成公平、简洁的反馈，提升教育公平性与教学效率。

Comments Accepted to AAAI-26 AISI Track

Adding New Capability in Existing Scientific Application with LLM Assistance

Anshu Dubey, Akash Dhruv

机构 * Argonne National Laboratory（阿贡国家实验室） 纠错

专题命中 领域大模型 ：LLM(title,abstract)；large language model(abstract,comments)；language model(abstract,comments)；分类 cs.AI

Comments 8 pages, 4 figures, submitted to The 1st International Workshop on Foundational large Language Models Advances for HPC in Asia

A Multi-agent Large Language Model Framework to Automatically Assess Performance of a Clinical AI Triage Tool

Adam E. Flanders, Yifan Peng, Luciano Prevedello, Robyn Ball, Errol Colak, Prahlad Menon, George Shih, Hui-Ming Lin, Paras Lakhani

专题命中 领域大模型 ：large language model(title)；language model(title)；LLM(abstract)；分类 cs.CL

Comments 29 pages, 3 figures, 4 tables

Multilingual LLM Prompting Strategies for Medical English-Vietnamese Machine Translation

Nhu Vo, Nu-Uyen-Phuong Le, Dung D. Le, Massimo Piccardi, Wray Buntine

专题命中 领域大模型 ：prompting(title,abstract)；LLM(title)；分类 cs.CL

Comments This version has been withdrawn after receiving the conference review results. We are currently extending and reorganizing the work into a new study